什麼是機器學習？

根據已有的知識經驗，形成模型。並根據模型來感知未知的新事物的過程。

機器學習術語：

樣本：上面表格中，每一行就是一個樣本。一個樣本包含了一種事物的完整屬性，這些屬性不重複。

資料集：所有的樣本的總和，稱為資料集。

特徵：例如，身高就是一種特徵，膚色也是一種特徵。也可以稱作屬性。

特徵值：具體對應特徵上的特徵值。

訓練資料：用於生成模型的資料就是訓練資料。

訓練集：所有訓練資料的總和構成訓練集。

學習、訓練、建模：通過資料生成模型的過程叫做訓練。

標記：對於一個樣本，給他一個稱謂。或者打個標籤。這個標籤就是標記。這個標籤可以是：好人或壞人。也可以是連續值：工資2500元。。。

迴歸問題：對於標籤值是不可數的連續值的型別，屬於迴歸問題。如預測工資。屬於監督學習

分類問題：對於標籤值是有限的離散型別的，屬於分類問題。如區分好人壞人。屬於監督學習

聚類：不涉及到預設標籤的問題，讓機器自己去發現不同樣本之間的相似性，根據相似性劃分類別。相似度高的劃分為同一類。屬於無監督學習

泛化能力：我們想要達到的目的是根據已有的資料獲取資料的模型或者模式。根據已有的模型對未知資料進行處理（迴歸、分類或許聚類），具有較好的泛化能力指的是資料處理能力較高。

一般：訓練資料量越大，模型的泛化能力越高。

歸納偏好原則

奧卡姆剃刀：若多個假設與觀察一致，則選擇最簡單的那個。

當然，具體問題具體分析，任何演算法不能說自己是最好的。沒有最好的演算法，只有最合適的。